Awesome GitHub RepositoriesConvolutional Layers

Ce projet est une collection de supports de cours sur le deep learning avec PyTorch, composée de projets pratiques et d'exercices de programmation. Il se concentre sur l'implémentation d'architectures de réseaux de neurones et l'entraînement de modèles pour résoudre des problèmes de données complexes. Le dépôt inclut une suite de projets de vision par ordinateur pour construire des classificateurs d'images, des auto-encodeurs et des applications de transfert de style. Il propose un laboratoire sur les réseaux antagonistes génératifs (GAN) pour créer des images synthétiques et des implémentations spécifiques pour le transfert d'apprentissage afin d'adapter des poids pré-entraînés à de nouvelles tâches. La base de code couvre l'analyse de données séquentielles pour le traitement du langage naturel (NLP) en utilisant des réseaux de neurones récurrents et des plongements de mots (word embeddings). Des capacités supplémentaires incluent le prétraitement des données d'image, l'évaluation des performances des modèles et le déploiement de modèles entraînés sur une infrastructure cloud. Les supports sont fournis sous forme de série de Jupyter Notebooks.

Flashlight est une bibliothèque de machine learning en C++ et un framework de deep learning conçu pour construire et entraîner des réseaux de neurones. Il fonctionne comme une bibliothèque de manipulation de tenseurs et un moteur de différenciation automatique qui suit les opérations pour calculer les gradients via la rétropropagation pour l'optimisation des modèles. Le projet se distingue par son rôle de framework d'entraînement distribué, utilisant la synchronisation de gradient all-reduce et des environnements distribués pour mettre à l'échelle les charges de travail de machine learning sur plusieurs nœuds et appareils. Il dispose d'une interface mémoire agnostique au backend et d'une gestion basée sur RAII pour découpler les opérations sur tenseurs du matériel physique. Le framework couvre une large surface de capacités, incluant la construction d'architectures de réseaux de neurones avec des couches convolutionnelles, linéaires et récurrentes. Il fournit des utilitaires étendus pour l'algèbre tensorielle, la gestion et le batching de jeux de données, la sérialisation binaire versionnée pour les états de modèle, et des outils de surveillance pour suivre les métriques d'entraînement et l'utilisation de la mémoire.

DeepLearningZeroToAll est une ressource éducative complète et une collection d'implémentations axée sur le deep learning et le machine learning. Elle propose un parcours d'apprentissage structuré utilisant TensorFlow pour passer des modèles linéaires fondamentaux aux architectures de réseaux de neurones complexes. Le projet se distingue par ses implémentations pratiques de divers types de réseaux, incluant des perceptrons multicouches pour les problèmes de logique, des réseaux de neurones convolutifs pour les données spatiales et la reconnaissance d'images, et des réseaux de neurones récurrents utilisant des cellules LSTM pour la prévision de séries temporelles et la prédiction de séquences de caractères. Il inclut également des démonstrations détaillées de la régularisation de modèles via des techniques de batch normalization et de dropout. Le dépôt couvre un large éventail de capacités, incluant le machine learning supervisé avec régression linéaire et logistique, l'ingénierie des données pour la manipulation et la mise à l'échelle de tenseurs, et l'optimisation de modèles par descente de gradient et calculs manuels de rétropropagation. Il inclut en outre des outils pour l'évaluation de modèles, la persistance des poids et l'observabilité de l'entraînement via la visualisation de la fonction de coût et la journalisation des métriques. Le contenu est délivré via une série de Jupyter Notebooks.

This project is a deep learning computer vision library designed for video action recognition. It provides a framework for training and evaluating neural networks that identify and categorize human activities within recorded footage by processing temporal sequences of frames. The library focuses on the implementation of three-dimensional neural network architectures, specifically utilizing three-dimensional convolutional layers to capture both spatial and temporal patterns. By aggregating features across consecutive frame sequences, the models learn to represent the evolution of actions over